MiniMax H3发布并开源：首个全模态统一视频模型，能力逼近闭源最强，价格仅三分之一
2026年8月2日0 次阅读
MiniMax H3发布并开源：首个全模态统一视频模型，能力逼近闭源最强，价格仅三分之一
7月31日，MiniMax正式发布新一代多模态生成模型H3，并宣布近期开源。这是视频生成领域首个能力逼近闭源旗舰的开源全模态统一模型，被业内类比为"多模态领域的DeepSeek R1时刻"。
不再是"视频生成模型"，而是全模态统一模型
H3最根本的变化在于：它不再按图片生成、视频生成、音频生成等任务分拆，而是把文字、图片、音频、视频全部放进同一个上下文，用自然语言描述"输入和目标之间的关系"，然后统一生成。
这意味着过去需要"先选模式再填参数"的操作方式被彻底取代。比如"参考视频A的运镜、图片B中的人物、音频C的声音，生成新视频"——不再是三个独立开关，而是同一个任务里的不同信息。这种设计思路和语言模型从"几十个NLP任务"统一到"指令微调"的路径完全一致。
四项核心技术重构
H3对模型底层做了全面重构，对应生成模型的四个关键环节：
- Contextual Omni Representation：重新设计数据标注体系，不只描述目标，还要描述上下文与目标的关系、上下文内部元素间关系、音画对应关系。语言成为泛化的桥梁。
- H3-VAE：全新Tokenizer，在压缩率、重建质量和latent空间友好度之间取得平衡，获得4倍序列长度收益，这是2K直出和低价的底气。
- H3-Omni Transformer：理解与生成异构训练架构，精细调优不同workload下的硬件利用率，端到端提升近30%训练吞吐。MiniMax主动放弃了此前表现优异的hailuo-02架构，因为"聪明的技巧在特定任务上有效，简洁的结构才能在未见任务上成功"。
- In-context Regeneration：输出层新设计，支持在已有内容基础上进行编辑和再生。
实测表现
基于多家媒体和创作者的测评，H3在以下场景表现突出：
多模态融合：上传一段动画视频+一张球状屏幕街景图片，H3识别出球面几何特性，让人物运动遵循球面变形规律，并自动补齐音效。
语音替换与嘴形同步：给视频中的人物配音或改变台词，音色和嘴形还原度高，且能识别并修改画面中原有的文字。
导演级指令跟随：长提示词控制运镜与打光——烛光、硬光、彩虹折射、红蓝对打、金色逆光依次出现，受光区域、面部阴影、金属高光都跟随光源变化，材质感保留完整。
价格与开源生态
H3视频生成定价0.8元/秒（2K分辨率），仅为同类旗舰视频模型的三分之一。开源后，企业可本地部署，结合自身数据优化，满足安全合规要求；芯片厂商和开发者可参与适配，降低使用成本。
MiniMax此前已开源三代M系列文本模型，H3是其首款开源多模态生成模型。官方表示更详细的开源技术报告将在之后发布。
对谁有用
- 视频创作者：一个模型完成多模态融合、编辑、配音，不再需要多个工具拼接
- 广告/电商/游戏行业：商用级内容生成，品牌信息呈现和文字渲染能力强
- 本地部署企业：开源后可私有化部署，数据不出域
- 国产AI芯片生态：开源模型为芯片适配提供更多选择
---
*基于新京报、品玩等媒体及T8star-Aix等创作者测评转述整理。*